Naukowcy stworzyli system oparty na multi-agent AI, który potrafi całkowicie autonomicznie generować, uruchamiać i naprawiać pipeline'y machine learning bez udziału człowieka. Zamiast czekać, aż data scientist ręcznie zaprojektuje przepływ przetwarzania danych, model treningu i walidacji, system robi to sam - rozpoznaje problemy i poprawia je w locie. To rozwiązanie może diametralnie zmienić sposób pracy w data science, szczególnie w początkowych fazach eksperymentów i prototypowania.
Dotychczas tworzenie działającego pipeline'u ML to uciążliwy proces wymagający dużej wiedzy i wielu iteracji. Data scientist musi ręcznie zdefiniować kolejne etapy: czyszczenie danych, inżynierię cech, wybór modelu, tuning hiperparametrów. Jeśli coś pójdzie nie tak - a niemal zawsze coś idzie - trzeba wrócić, znaleźć błąd i spróbować innego podejścia. Autonomiczny system eliminuje to uciążliwe żonglowanie, pracując jak niezawodny asystent, który wie, jak radzić sobie w każdej sytuacji. Dla mniej doświadczonych osób lub teamów pracujących z ograniczonymi zasobami to może być przełomowe.
Rozwój takich technologii ma szersze implikacje dla całej branży. Jeśli automatyczne generowanie pipeline'ów stanie się niezawodne i skalowalne, machine learning stanie się bardziej dostępny dla firm i badaczy, którzy do tej pory nie mogli sobie pozwolić na zatrudnianie kosztownych specjalistów. Jednocześnie może przyspieszyć badania naukowe poprzez umożliwienie szybszych eksperymentów i iteracji. Pytanie tylko, czy taki system okaże się wystarczająco niezawodny dla zadań krytycznych, gdzie nawet drobny błąd może mieć poważne konsekwencje.